동영상 학습 환경에서 학습 상황 동기에 대한 구간별 정서의 예측력 규명

Abstract

Video-based learning environment means learning environment providing video as instructional media in online learning such as Open Course Ware and Massive Open Online Course. Voluntary and continuous participation and self-directed learning are strongly needed in video-based learning environment due to lack of face-to-face instruction. To promote learning in video-based learning environment, analyzing learning motivation and designing appropriate intervention strategy are essential. Motivation can be defined as state which affects learning activity before and during learning with constant change (Visser & Keller, 1990). Thus, State motivation is used to reflect motivation’s changing nature. State motivation has been affected by emotions (Reeve, 2011), though its role and function haven’t been focused in learning situation (Kim, 2009; Pekrun, 1992). However, it is possible that learner can experience negative emotions (Hawkins et al., 2012; Song et al., 2004), and lose interest about learning due to lack of real interaction in video-based learning. To prevent this situation and understand learners’ inner factors like state motivation, study about learners’ emotions is needed in video-based learning environment. Because of lack of face-to-face instruction, it is hard to assess learners’ emotions or state motivation in real time. Because of this, self-reported survey depending on recall is usually used, resulting difficulty of grasping learners’ mental state. Also, most of self-reported surveys draw average result about learning situation in general, it is hard to understand changing emotions and motivation by these. To overcome limitation of measurement in video-based learning environment, a new data which is able to grasp varying learners’ mental state should be utilized. Using emotion data measured by facial expression is possible now with technological advance. With this approach, understanding learning experience in detail and measuring state motivation by emotions could be possible. So the purpose of this study is investigating the predictive power of emotion by learning part to examine emotions’ role as indicator of total state motivation and state motivation by part. The followings are the research question of this study. Research question 1. Learners’ emotions by part can predict total state motivation in video-based learning environment? Research question 2. Learners’ emotions by part can predict state motivation by part in video-based learning environment? Participants in this study were 68 college students in Seoul, South Korea. The data utilized in this research are 1) Total state motivation, 2) state motivation by part, 3) emotions by part. In the experiment, participants firstly took pre-test to examine their prior knowledge and studied video lecture about basic statistics. After watching video, participants took post-test to measure the range of understanding and survey was conducted. In this research, statistical analysis program R was utilized to present descriptive statistics, correlation analysis and stepwise multiple regression. With stepwise multiple regression, emotions by part which affect total state motivation and state motivation by part were examined. Also the possibility of emotions by part as indicator of state motivation was reviewed. The results of the study are as follows. First of all, as a result of research question 1 to confirm whether emotions by part on video-based learning environment predict total state motivation and its subcategory, the prediction poser of emotions by part could be observed as significant Joy in exercise part negatively affects total state motivation. The cause of negative effects of joy was smile as social interaction of participants. In exercise part, embarrassed participants who struggle to solve problems represented smile. It means measured joy of embarrassed participants can negatively predict total state motivation. If joy is sensed in exercise part, it can be interpreted as social smile which can be utilized as red light of state motivation. Subcategory of state motivation was also explained significantly by emotions by part. In the case of Attention, contempt in exercise part and fear in solution part positively, joy in exercise negatively affects attention. It can be interpreted that fear in solution was raised due to characteristics of the learning part. In solution part, learners should apply theory to examples which occur contemporary anxiety and curiosity resulting attention effects. Contempt in exercise part was presented in facial expression which resembles expression of concentration. With this, the approach that interpreting contempt in video-based learning environment as signals of concentration has possibility, though there are not enough grounds to insist the approach. Joy in exercise part can be read as social smile. As emotions by part explain attention significantly, they can be used as indicators of subcategory of state motivation. In the case of Relevance, joy in exercise negatively affect relevance. It can be also interpreted as social smile. With analysis, predictive power of joy in exercise was examined, though explaining relevance with emotions is inappropriate due to characteristics of relevance. Confidence was negatively affected by joy in pretest and anger in solution part. Joy in pretest could be interpreted as social smile like joy in exercise part. Anger can be interpreted as depressor of confidence because anger occurred by perceived displeasure due to extrinsic interruption. Emotions by part significantly explain confidence, joy in pretest and anger in solution could be used as indicators of state motivation. Only joy in exercise negatively affect Satisfaction. Considering characteristics of satisfaction which occurred after learning, joy in exercise can be interpreted as continuous depressor of state motivation. Thus application part of learning like exercise part, effects of emotions toward satisfaction are examined. Second, as a result of research question 2 to confirm whether emotions by part on video-based learning environment predict state motivation by part and its subcategory, the prediction poser of emotions by part could be observed as significant. Results of correlation analysis indicate only relevance in concept part, attention in using table part and relevance in solution part have significant correlation with emotions by each part. Attention in part of using table was affected by sadness. The result of this is conflicting with previous research (Pekrun, 2006) and has difficulty to make an interpretation considering contexts of the experiments. It is supposed that difference of emotion measuring instrument used by other research and this study’s make a conflicts of results. Thus situation which sadness explained attention should be more investigated with newly approach. Relevance in concept and solution part can be predicted with anger and joy, it is premature to say that emotions explain relevance because of characteristics of relevance. The implications derived based on the above results are as follows. First, emotions by part measured by facial expression have possibilities to be used as an indicator of state motivation. It is hard to assure that emotions are indicator of motivation due to lack of definite proof. However, the fact that emotions based on facial expression significantly explain state motivation means there is the way to overcome limitations in video-based learning environment. Second, state motivation should be measured by subcategory and part. This approach can help not only to measure changing state motivation also suggest appropriate intervention. Third, discrete emotions measured by facial expression should be interpreted in the context of learning. Emotions in learning context and in general context are different. Thus, understanding learning environment should be preceded to measure and use emotions measured by facial expression. Based on these results, this research has limitations and suggestions for follow-up studies. First of all, this research has limitations that natural behavior such as online behavior and offline test were restricted to get data. This is not familiar experience to learner which can occur confounding variables. Thus follow-up study should collect emotions by part and state motivation in real video-based learning environment. Second, subtle emotions were not measured due to limitations of measuring methods. Measuring emotions by facial expression only provide basic 6 emotions which cannot reflect expectations or hope usually occurred in learning environments. For follow-up study collecting facial expressions and other various psychophysiology data should be done to get validity of emotion data. Third, self-reported surveys were used to measure changing state motivation by part. The best time to figure out motivation by part would be in the middle of the learning. However, survey during learning is obtrusive way which can make other extraneous effects toward learning. To prevent this, the study measure state motivation after learning in retrospective way. However, measuring state motivation by part with unobtrusive and unretrospective is impossible in current situation. Thus follow up studies should select appropriate way in their study to measure state motivation. Finally, the tool used to measure emotions reports limited emotions. Affectiva’s EaaS reported 7 emotions, which include only one positive emotion. This means that the tool has limitation to grasp varying emotions in the learning environment. Thus follow up studies should develop models reflecting emotions in learning context.;동영상 학습 환경이란 공개 학습 콘텐츠(Open Course Ware; OCW), 대규모 온라인 강좌(Massive Open Online Course; MOOC)등의 온라인 학습에서 동영상을 주된 교수 매체로 제공함에 따라 형성된 학습 환경을 의미한다. 동영상 학습 환경에서는 교수자의 면대면 교수가 부재하기 때문에 학습자의 학습 동기에 따른 자발적이고 지속적인 참여와 자기주도적 학습이 강하게 요구된다(Pintrinch & Dale, 2002). 즉 동영상 학습 환경에서 학습을 촉진시키기 위해서는 학습자의 학습 동기를 분석하여 이에 알맞은 처방 전략을 고안해야한다. 학습 동기를 둘러싼 영역과 이론은 다양하나, 학습 동기는 학습 이전과 과정에서 학습 활동에 영향을 주며 끊임없이 변화해가는 것으로 정의할 수 있다(Visser & Keller, 1990). 이에 따라 본 연구에서는 변화하는 상태로서의 학습 동기를 학습 상황 동기로 정의하였다. 학습 상황 동기는 다양한 내적 구인 중에서도 정서에 의해 영향을 받고 있으나(Reeve, 2011), 학습 상황에서 정서의 역할과 기능은 오랫동안 주목받지 못하였다(김민성, 2009; Pekrun, 1992). 그러나 동영상 학습 환경에서는 실제적인 상호작용이 결여되어있기 때문에 학습자가 부정적인 정서를 경험하고 (Hawkins et al., 2012; Song et al., 2004), 학습에 대한 흥미를 잃을 수 있다. 이와 같은 상황을 예방하고, 학습 상황 동기와 같은 내적 구인을 살펴보기 위해서는 동영상 학습 환경에서도 학습자의 정서를 탐구해야 한다. 하지만 동영상 학습 환경에서는 면대면 교수의 부재로 인해 교수자가 학습자의 실시간 정서나 학습 상황 동기를 파악하기 어렵다. 이로 인해 동영상 학습 환경에서는 회상에 의존한 자기보고식 설문조사를 통해 학습자의 내적 구인을 파악하곤 하는데, 자기보고식 설문 조사는 학습 상황 전반에 대한 평균적 결과를 도출하기 때문에 변화하는 특성을 가진 정서와 학습 상황 동기를 측정하는데 한계가 있다. 동영상 학습 환경의 특성으로 발생하는 측정의 한계를 극복하기 위해서는 학습의 진행에 따라 변화하는 학습자의 심리를 이해할 수 있는 새로운 데이터를 활용해야 한다. 기술의 발전으로 얼굴 표정에 기반하여 측정할 수 있는 정서 데이터를 활용하면 세부적 학습 상황에서의 학습 경험을 이해할 수 있을 것이고, 정서 데이터가 선행 연구 결과와 같이 학습 상황 동기를 설명한다면 자기보고설문조사 방식으로 측정하던 학습 상황 동기 또한 비간섭적인 방식으로 측정할 수 있을 것이다. 따라서 본 연구에서는 구간별로 측정된 정서가 전체 학습 상황 동기와 구간별 학습 상황 동기의 지표(indicator)로 기능할 수 있는 지 확인하고자 하였다. 본 연구의 연구문제는 다음과 같다. 연구문제 1. 동영상 학습 환경에서 학습자의 구간별 학습 정서가 전체 학습 상황 동기를 예측하는가? 연구문제 2. 동영상 학습 환경에서 학습자의 구간별 학습 정서는 해당 구간의 학습 상황 동기를 예측하는가? 본 연구의 실험은 수도권 소재 A 대학교의 학부 학생 68명을 대상으로 진행되었으며 연구에 활용된 데이터는 1) 전체 학습 상황 동기, 2) 구간별 학습 상황 동기, 3) 구간별 정서이다. 실험에서 연구 대상자는 사전 지식을 알아보기 위한 사전 검사에 임한 후 10여분의 정규 분포 강의를 학습하였다. 연구 대상자는 학습한 내용을 간단한 연습문제를 통해 적용해본 후, 사전 검사와 동형인 사후 검사에 응시하였으며 이후 설문조사가 이루어졌다. 본 연구에서는 통계 프로그램 R을 활용하여 기술통계분석, 상관분석을 시행하였고, 단계적 다중회귀분석을 통해 전체 학습 상황 동기와 구간별 학습 상황 동기에 영향을 미치는 구간별 정서를 확인하였다. 또한 구간별 정서가 학습 상황 동기를 얼마나 설명하는 지 확인하여 구간별 정서의 지표로서의 가능성을 검토하였다. 본 연구의 분석 결론은 다음과 같다. 첫째, 동영상 학습 환경에서 발생한 구간 별 정서가 전체 학습 상황 동기에 영향을 미치는 지 확인하기 위해 설정한 연구문제 1의 가설검증 결과, 구간별 정서가 전체 학습 상황 동기와 그 하위 범주에 통계적으로 유의한 영향을 주고 있다는 것을 확인할 수 있었다. 연습 문제 구간에서 즐거움이 전체 학습 상황 동기에 부적으로 영향을 미치는 것을 확인할 수 있었다. 즐거움이 학습 상황 동기에 부정적인 영향을 미친 원인은 연구 대상자들이 나타낸 사회적 상호작용으로서의 웃음이었다. 사회적 상황에서 당황한 성인들이 웃을 가능성이 높다고 주장한 Kraut & Johnston(1979)의 연구 결과와 같이 문제를 푸는 구간에서 당황한 학습자의 측정된 즐거움이 오히려 학습 상황 동기를 부적으로 예측할 수 있다고 해석할 수 있다. 즉 학습자가 문제를 풀어야 하는 구간에서 즐거움이 감지된다면, 이는 학습으로 인한 즐거움이 아니라 난관에 봉착했을 때 사회적 웃음이라고 해석할 수 있고, 학습 상황 동기의 적신호로의 활용 가능성을 확인하였다. 전체 학습 상황 동기의 하위 범주인 주의집중, 관련성, 자신감과 만족감 모두 구간별 정서로 유의하게 설명할 수 있었다. 주의집중의 경우 연습 문제 구간의 경멸과 문제 풀이 구간의 두려움이 정적으로, 연습 문제 구간의 즐거움이 부적으로 영향을 미쳤다. 문제 풀이 구간의 두려움은 해당 구간의 특성에 인해 유발되었다고 해석할 수 있다. 학습자들은 이론을 응용해야하는 상황에서, 불일치로 인해 일시적인 불안을 느끼지만 이로 인해 호기심이 유발되어 주의집중하게 되는 효과가 생겼다고 볼 수 있다. 연습 문제 구간의 경멸은 연구 대상자들의 얼굴 표정 영상을 살펴보았을 때 집중과 유사한 표정에서 발생하고 있었다. 이를 통해 동영상 학습 환경에서 나타나는 경멸은 집중을 해석할 수 있는 여지가 있음을 확인할 수 있었으나 경멸이 집중과 같은 표정을 사용한다는 점에서 경멸을 집중의 지표로 사용하기엔 충분한 근거가 부족하기 때문에 이에 대한 추가적인 연구가 필요함을 확인할 수 있다. 연습 문제 구간의 즐거움은 사회적 웃음으로 해석할 수 있다. 연습 문제 구간의 경멸, 문제 풀이 구간의 두려움, 연습 문제 구간의 즐거움은 주의 집중을 일정량 설명하였기 때문에 주의 집중을 나타내는 지표로 차용할 수 있다고 판단된다. 관련성은 연습 문제 구간의 즐거움이 부적으로 영향을 미쳤다. 이 또한 사회적 웃음으로 인한 결과로 보인다. 분석 결과를 통해 연습 문제 구간의 즐거움이 관련성을 유의하게 설명할 수 있음을 확인하였으나, 관련성의 특성이 정서와 직접적인 연관이 없음을 생각할 때, 정서 변인을 통해 관련성을 설명하는 것은 적절하지 않은 것으로 판단할 수 있다. 자신감은 사전 검사 시 즐거움과 문제 풀이 구간의 분노가 부적으로 영향을 미쳤다. 사전 검사 시 즐거움은 연습 문제 구간의 즐거움과 같이 사회적 웃음으로 해석할 수 있기 때문에 자신감을 저하시키는 영향을 미친 변인으로 해석할 수 있다. 분노가 외부의 방해로 불리하다고 느껴질 때 발생하는 것을 고려하였을 때 문제 풀이 구간에서 방해 받았다고 생각할 수록 자신감이 저하됨을 설명한다. 구간별 정서가 자신감을 일정량 설명하였기 때문에, 사전 검사 구간 시 즐거움과 문제 풀이 구간의 분노를 자신감의 지표로 사용할 수 있을 것이다. 만족감은 연습 문제 구간의 즐거움만이 부적으로 영향을 미쳤다. 이는 앞서 하위 범주와 동일한 결과이지만 만족감이 학습이 종료된 후 나타나는 특성을 고려했을 때, 연습 문제 구간의 즐거움이 지속적으로 학습 상황 동기에 부적 영향을 미친다고 해석할 수 있다. 따라서 연습 문제 구간처럼 학습자가 배운 내용을 스스로 적용해보는 학습 구간에서의 정서가 만족감에 영향을 미친다고 해석할 수 있다. 둘째, 구간별 정서가 구간별 학습 상황 동기에 영향을 미치는 지 확인하기 위해 설정한 연구문제 2의 가설 검증 결과, 구간별 정서가 구간별 학습 상황 동기에 유의한 영향을 미치고 있음을 확인할 수 있었다. 상관분석 결과 구간별 정서와 유의한 상관관계가 있었던 기본 개념 구간의 관련성, 표 활용 구간의 주의 집중과 문제 풀이 구간의 관련성은 각각 해당 구간의 분노, 슬픔과 즐거움으로 예측할 수 있었다. 표 활용 구간의 주의 집중은 해당 구간의 슬픔이 정적으로 영향을 미치고 있었다. 슬픔이 주의집중에 정적인 영향을 미친다는 것은 선행연구(Pekrun, 2006)와 상반되는 결과이며, 본 연구에서 활용한 학습 맥락을 고려했을 때도 해석하는데 무리가 있다. 이는 부적 정서와 학습 동기간의 관계를 탐색한 기존 연구들이 사용한 정서 측정 도구가 본 연구와 다름에서 기인한 것으로 추측된다. 이처럼 슬픔이 주의 집중을 설명한 현상은 기존 연구들로 설명하기에는 한계가 있기 때문에 이에 대한 후속 연구가 필요하다. 기본 개념 구간과 문제 풀이 구간의 관련성은 분노와 즐거움으로 예측할 수 있으나, 관련성은 정서와 직접적인 관계가 없는 범주이기 때문에 해당 변인이 관련성을 예측한다고 해석하기는 어렵다. 그러나 이후 관련성과 정서와의 관계를 탐구한다면, 관련성을 정서를 통해 설명할 수 있을 것이다. 결론에 따른 시사점은 다음과 같다. 첫째, 얼굴 표정으로 측정한 구간별 정서는 학습 상황 동기의 지표로서 활용될 가능성을 내포하고 있다. 비록 탐색적인 접근이기 때문에 아직 얼굴 표정 기반 정서가 학습 상황 동기의 지표라고 단언할 수는 없다. 그러나 얼굴 표정 기반 정서가 전체 학습 상황 동기 및 하위 범주와 구간별 학습 상황 동기를 통계적으로 유의하게 설명한 것을 고려할 때, 이러한 시도는 동영상 학습 환경에 내재된 측정의 한계를 극복하는 데 시발점이 될 것이다. 둘째, 학습 상황 동기는 하위 범주별, 구간별로 측정되어야 한다. 동영상 학습 환경에서 학습 상황 동기를 이와 같은 방식으로 파악한다면 변화하는 학습 상황 동기를 측정할 뿐만 아니라 적절한 처방 전략을 제시하는 데에 도움이 될 수 있을 것이다. 셋째, 얼굴 표정으로 측정한 개별 정서는 학습 맥락에 적절하게 해석되어야 한다. 학습 맥락에서 나타나는 개별 정서는 일반적인 정서나 동기 연구와는 다르게 해석되어야 한다. 따라서 얼굴 표정을 통해 비간섭적으로 정서를 측정하고 이를 학습 상황에서 사용하고자 한다면 학습 환경을 파악하여야 적절하게 해석할 수 있을 것이다. 본 연구의 제한점 및 후속 연구를 위한 제언은 다음과 같다. 먼저, 본 연구는 실험실 상황에서 자연스러운 행동을 제한하였다는 한계점을 갖는다. 동영상 학습 환경 내 온라인 행동과 오프라인 시험은 데이터를 위해 제한되었다. 이는 자연스럽지 못한 학습 경험이므로 실제 동영상 학습 환경에서 학습할 때의 구간별 정서와 학습 상황 동기를 수집하여 분석하는 후속 연구가 이루어져야 한다. 둘째, 정서를 측정하는 방식이 얼굴 표정에만 한정되어있었기 때문에 학습 상황에서의 미묘한 정서는 측정하지 못하였다. 비간섭적으로 정서를 측정하는 방식은 심전도, 혈압, 피부 전도 등을 활용할 수 있다. 그러므로 후속 연구에서는 다양한 측정 방식을 활용하여 방법 간 상관 관계를 살펴보고 비간섭적 정서 측정 방식의 신뢰도를 확인하여 정서 측정 방식을 확장시키는 데 기여해야 한다. 셋째, 변화하는 구간별 학습 상황 동기를 측정할 때, 결국 회고적인 자기보고설문을 사용하였다는 제한점을 가진다. 구간별 학습 상황 동기를 측정하는 가장 좋은 시기는 학습 도중이지만, 이는 간섭적인 방법이므로 지양해야한다. 본 연구에서는 이를 위해 학습이 종료된 후 해당 구간 당시의 학습 상황 동기를 측정하였으나 결국 회고적인 방법임을 부정할 수는 없다. 하지만 현재로서는 비회고적이며 비간섭적인 측정을 시도하는데 한계가 있기 때문에, 후속 연구에서는 해당 연구에 맞는 방식을 선정하여 사용해야 할 것이다. 마지막으로, 정서 측정에 사용한 도구가 제한된 정서만을 보고한다는 점이 본 연구의 한계이다. 본 연구에서 사용한 Affectiva의 EaaS는 7가지의 정서를 보고하나, 그 중 단 하나만이 긍정정서이기 때문에 학습 상황에서 발생하는 다면적인 정서적 현상을 충분히 담지 못한다. 그러므로 후속 연구에서는 학습 상황에서 발생하는 정서를 연구하고, 이를 얼굴 표정 인식과 같은 비간섭적이고 객관적인 도구를 통해 규명해내는 모형을 우선적으로 개발하여야 학습 상황에서의 정서를 더욱 면밀히 측정할 수 있을 것이다.